### [动手学深度学习](https://hello123.com/)

**Published:** 2026-11-03T07:00:00

**Author:** hello123

**Excerpt:** 动手学深度学习提供PyTorch、TensorFlow等4种框架代码，覆盖神经网络、注意力机制等核心模块，被全…

## 动手学深度学习是什么：核心定位

想系统学习**深度学习**，却卡在理论与代码脱节？《**动手学深度学习**》正是为解决这个常见问题而生。它是一本可运行、可讨论的交互式教科书，由李沐、Aston Zhang 等人编写。

![动手学深度学习截图](https://cdn.hello123.com/wp-content/uploads/2026/09/zh-screenshot.jpg)

该教材提供中英文版本，内容从基础到前沿。读者不仅能读文字、看公式，还能直接运行代码。这种设计让抽象概念变得具体。

### 面向中文读者的深度学习教科书

本书专为中文读者构建。作者团队包括李沐、Aston Zhang、Zack Lipton 和 Alex J. Smola。他们来自学术界与工业界，深知学习难点。

教材内容系统完整。从预备知识讲起，覆盖线性神经网络、多层感知机、卷积神经网络、循环神经网络、注意力机制等核心模块。

### 交互式学习体验：Jupyter记事本

> 这是本书区别于传统教材的核心。每个章节都配有 Jupyter 记事本（一种可运行代码的交互式文档）。

你在浏览器里就能改代码、调参数。公式、图示、代码在同一页面呈现。比如调整学习率，训练曲线立刻变化。这种即时反馈大幅降低理解门槛。

## 动手学深度学习主要特点

-   理论教学：系统讲解核心概念与数学基础
-   实践指导：提供代码示例、数据集和实验项目
-   资源支持：在线文档、教学视频、论坛讨论
-   多框架实现：支持 PyTorch、NumPy/MXNet、TensorFlow、PaddlePaddle

### 多框架代码实现

读者可自由选择框架。PyTorch 版最受欢迎，社区活跃。NumPy/MXNet 版适合从底层理解。TensorFlow 版满足工业界需求。PaddlePaddle 版则方便国内开发者。

切换框架只需点击标签页。同一算法在不同框架下的实现并排展示。这帮你理解框架差异，而非死记 **API**。

### 从零开始实现算法

每个模型都提供两种实现方式。先「从零开始」，手写每一行代码。再用框架「简洁实现」，调用高层 API。

比如线性回归，从零实现要手动定义损失函数、梯度下降。简洁实现只需几行代码。对比两种方式，底层原理一目了然。

### 丰富的配套资源

配套网站 zh.d2l.ai 提供全部内容。教学视频在 B 站有完整搬运。数据集可直接下载。

论坛 discuss.d2l.ai 用于提问交流。遇到代码报错，发帖通常能得到回复。这些资源全部免费。

## 动手学深度学习操作步骤

### 访问在线教材

打开 zh.d2l.ai。浏览左侧目录。选择感兴趣的章节。

每个小节都有「Jupyter 记事本」链接。点击即可在云端运行。无需本地安装环境。

### 选择框架并运行代码

页面顶部有框架切换标签。默认是 PyTorch。点击可切换 TensorFlow 或 MXNet。

点击「运行」按钮。代码会从头执行。你可以逐步观察输出。也可以下载记事本到本地。

### 修改代码和超参数

在记事本中找到超参数定义。比如学习率 `lr=0.1`。改成 `lr=0.01`。

重新运行训练单元。观察损失曲线变化。尝试增加网络层数。对比训练时间和准确率。

### 参与社区讨论

访问 discuss.d2l.ai。注册账号。搜索你的问题。

若没有答案，发新帖。附上代码和报错信息。社区成员会帮忙解答。你也可以分享学习笔记。

## 动手学深度学习和类似工具怎么选

| 特性维度 | 代码实践 | 框架支持 | 学习节奏 | 费用  | 数学门槛 |
| :--- | --- | --- | --- | --- | --- |
| 动手学深度学习 | 从零实现+简洁实现 | PyTorch/TensorFlow/MXNet等 | 完全自由 | 在线免费 | 较高  |
| 吴恩达深度学习课程 | 课后编程作业 | 主要用TensorFlow | 固定周数 | 免费或付费证书 | 中等  |
| fast.ai | 高层API快速建模 | 仅PyTorch | 自由但建议跟课 | 免费  | 较低  |
| 中国大学MOOC | 部分课程含实验 | 依课程而定 | 固定开课时间 | 免费或付费 | 依课程而定 |

### 对比吴恩达深度学习课程

吴恩达的课偏理论讲解。视频里推导公式，作业是填空式编程。

动手学深度学习更强调代码实践。你从零写完整模型。多框架支持也是吴恩达课程没有的。

### 对比fast.ai

fast.ai 使用 PyTorch 高层 API。几行代码就能训练出不错模型。适合快速上手。

但 fast.ai 不深入底层实现。动手学深度学习从零实现每个算法。理解深度更深。

### 对比中国大学MOOC

MOOC 有固定开课时间。作业有截止日期。适合需要外部督促的学习者。

动手学深度学习完全自由。你想什么时候学就什么时候学。没有作业压力。

## 动手学深度学习应用场景

-   计算机视觉：图像分类、目标检测
-   **自然语言处理**：文本分类、机器翻译、预训练模型
-   **语音识别**：语音转文本
-   推荐系统：个性化推荐
-   医疗健康：辅助诊断

### 计算机视觉

教材用专门章节讲解 CNN（卷积神经网络）。从 LeNet 到 ResNet，再到现代架构。

你动手实现图像分类。使用 CIFAR-10 数据集。还能尝试目标检测任务。

### 自然语言处理

涵盖 RNN（循环神经网络）、LSTM、GRU。重点讲解注意力机制。

预训练模型部分介绍 BERT 和 GPT。你学习如何微调这些模型。完成文本分类或机器翻译。

### 推荐系统

这一章是第二版新增内容。从矩阵分解讲起。逐步过渡到深度模型。

使用 MovieLens 数据集。实现评分预测和个性化排序。理解工业界推荐系统的核心方法。

## 动手学深度学习优势和不足

-   优势：免费开源、多框架、交互式学习、全球采用
-   不足：数学门槛高、部分内容更新慢

### 免费开源与全球采用

在线内容全部免费。代码在 GitHub 开源。纸质书需购买，但电子版免费。

> 根据公开数据，本书被全球 70 多个国家 500 多所大学采用。包括斯坦福、MIT、哈佛、剑桥。社区活跃，GitHub 星标数万。

### 数学基础要求较高

预备知识要求线性代数、概率论、微积分。没有这些基础，读起来会吃力。

书中虽有数学章节，但讲解较简略。完全零基础的学习者可能需要先补数学。

## 最近的变化：动手学深度学习更新了什么

第二版于 2020 年底开始发布预览。相比第一版，内容大幅修订。代码框架从单一 MXNet 扩展到多框架。

### 第二版内容修订与新增

预备知识一章完全重写。新增数据预处理、线性代数、微分、概率等小节。

卷积神经网络拆分为两章。新增「从全连接层到卷积」小节。循环神经网络同样拆分，新增序列模型和文本预处理。

### 多框架代码实现

第二版代码部分包含 PyTorch、TensorFlow 和 MXNet 三种框架。读者可自由切换。

常用函数包由 d2lzh 改为 d2l。分为 mxnet.py、torch.py、tensorflow.py 三个模块。讨论区也更新到 discuss.d2l.ai/c/16。

## 参考资料

-   [CSDN](https://blog.csdn.net/m0_73302939/article/details/144974199)（2025-01-18）— 卷积神经网络学习笔记与教程参考
-   [知乎](https://zhuanlan.zhihu.com/p/535387247)（2022-06-29）— 中英文版 **PDF** 及 GitHub 仓库信息
-   [CSDN文库](https://download.csdn.net/download/leia21/10926571)（2019-01-18）— PyTorch 版教材介绍与作者信息



---